مروری بر داده گواری سنجش از دور در مدل های شبیه سازی رشد گیاه زراعی
محل انتشار: مجله تحقیقات آب و خاک ایران، دوره: 54، شماره: 5
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 119
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJSWR-54-5_003
تاریخ نمایه سازی: 8 مهر 1402
چکیده مقاله:
برآورد دقیق و به موقع عملکرد محصول قبل از برداشت و پیش بینی آن از طریق مدل های رشد محصول، برای دستیابی به برنامه ریزی عملیات زراعی و حفظ و توسعه عملکرد در مقیاس منطقه ای، از اهمیت زیادی برخوردار است. مدلسازی تغییرات پویا در هنگام رشد محصول کمک شایان توجهی به محققین می نماید تا راهکارهای مدیریت محصول را به منظور افزایش عملکرد آن برنامه ریزی کنند. این مدل ها حاوی پارامترهای متعددی بوده که بایستی با توجه به ویژگی های منطقه مورد مطالعه تنظیم شوند، از طرفی فقدان مولفه مکان در این مدل ها و نیز عدم قطعیت در مورد مقادیر پارامترهای آنها، منجر به بروز خطا در خروجی های برآورد شده می شود. داده گواری سنجش از دور می تواند برای حل این مشکل و ارزیابی تغییرپذیری مکانی در اراضی بویژه در مقیاس منطقه ای مفید باشد. سنجش از دور برای تخمین و برآورد مقادیر پارامترهای ورودی مدل های رشد محصول نظیر شاخص سطح برگ، سطح پوشش، زیست توده گیاه، خصوصیات خاک می تواند استفاده شود. در این تحقیق، روش های مختلف داده گواری سنجش از دور در مدل های رشد محصول معرفی، مقایسه و مزایا و معایب هر کدام بررسی می شود. علاوه بر این، مروری بر تحقیقاتی که در این زمینه اجرا شده می تواند به خوانندگان در مورد انتخاب نوع مدل رشد محصول، روش داده گواری سنجش از دور، متغیر حالت (کنترل) مورد استفاده کمک نماید. مطالعه تحقیقات مختلف نشان می دهد که با آمدن سنجنده ها و روش های جدید در برآورد متغیرهای حالت (کنترل) سنجش از دوری نظیر شاخص سطح برگ و نیز توسعه و بهبود مدل های رشد محصول، می توان دقت تخمین عملکرد محصول را بهبود بخشید.
کلیدواژه ها:
نویسندگان
الهه اکبری
گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :